**DialFork：首个评估对话代理“程序幻觉”的基准测试**

_DialFork: Going Beyond Factuality to Evaluate Procedural Hallucination in Conversational Agents_

> 针对大语言模型在对话中偏离预期流程的“程序幻觉”问题，研究提出了首个基准测试 DialFork。该基准通过构建包含四种幻觉类型的对话数据集，定义了从实时监控、流程检索到实时护栏的三种评估任务，并提出了基于对话流程的 FlowKL 和 FlowScore 指标。实验表明，相比传统语义相似度，这些新指标能更准确地衡量对话流程的一致性。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-10-27 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2610.21561)